文 | kiki

一個略顯昏暗的民宿里，每個房間都擠滿了3-4個頭戴設備、手拿夾爪的人，疊衣服、撿積木、折紙飛機，重復這個動作至少20遍。

他們中有寶媽、失業夫妻、尋求過渡工作的學生。

在這個不大的民宿里通過培訓后，他們可以拿著這套設備回到家中，正式開啟這份招聘網站和中介口中都「還不錯」的居家輕松工作。

居家機器人數采員。

半個月前，我在招聘網站上刷到了這份具身數采兼職，通常的招聘信息上會這樣寫：“居家工作輕松、好上手，會操作手機就行，200元/天”。

加上的第三方中介也反復跟我提到：“不難，有手就會，來錢也快，你想象下，你給機器人當老師，這個工作也有前景”。

給機器人做老師10天后，我收到了我的工資單——不到1000元，平均每天不到100元，但如果計算時薪，不到20元，只比搖奶茶高了一點。

這讓我突然意識到，在熱錢涌動、動輒單輪數十億的具身數據浪潮里，新的「燃料」出現了。

1、「這錢不好掙」

大約十個人圍在一個戴著黑框眼鏡、穿著休閑T恤的人面前，他正在向我們展示工作將使用的工具。

三臺iPhone、兩個夾爪、一個頭盔，頭部和腕部都要佩戴，這是行業典型的UMI+Ego數采方案。

“我們的機器人它沒有腿，是輪子的，每個任務你要拍幾十條視頻，每個視頻最好在三分鐘，就像教小孩喊爸爸喊媽媽，機器人也不是一兩遍就能學會的”。負責培訓的年輕人向我們介紹。

但大多數人根本不關注我們的設備、我們要服務誰、我們采集的數據要往哪里去。

“每個任務都要重復這么多遍？”“工資到底怎么算？”周圍熙熙攘攘的聲音響起。

眼前這位年輕人有點不耐煩，他最后做了一句總結：“你做的有效時長越長、任務越豐富，你就掙得越多”。

他后來跟我提到，他一個小組成員在項目周期里，每天能做到6個小時，不到半個月就掙了五六千。

這個勵志故事激勵了很多想來這里掙快錢的人，但后來我們都發現：

這錢并不好掙。

第一，時長不是越長越好，而是看有效時長。

大多數居家采集工作都是簽訂靈活用工協議，薪資結構按分鐘計算，一般達到3-4小時，每分鐘不到一塊錢，超過最低標準后，會按照超1元/每分鐘計算。

但請注意這里的計算方式都是按有效時長，所謂的有效時長和拍攝的視頻質量有關。

這之中，包括一些基礎指標，比如畫面的完整度、設備穿戴的正確性，還有一些加分指標。

比如物體擺放的多樣性。拿疊衣服來說，你重復拍攝的幾十條視頻里，每個視頻里衣服擺放位置最好都不一樣；還有環境的多樣性，“桌布最好是鮮艷的，每拍攝10條都要換一下”。培訓人員說。

還有一些細節，諸如動作的流暢度。“不能太快、也不能太慢，太快了視頻里會有殘影，太慢了根本不符合人類的運動。”

但即便這些你都滿足了，達到最低標準也至少需要花費兩倍的時間，最低標準如果是3小時，那么前期你至少需要花費6小時。

第二，你在教機器人居家打工，但你不是機器人。

來這里兼職的人，大多是看中了「居家的靈活性」。在一些兼職網站上，這份工作被形容為「輕體力活」：

不需動腦，居家、自由、不壓抑。

在民宿培訓兩天后，我帶著上述幻想，拿著設備回到了家中，拋開日常坐班時間，我需要在六點起床采集一部分數據，下班后大約干到11點，才能完成采集時長的KPI。

10天給機器人打工后，很快戳破了我的幻想。

這份工作首先需要一定的體力，因為設備并不輕。

我的手腕、頭頂都攜帶了用于拍攝的iPhone，不算上夾爪和頭盔，單臺裸機已經有兩個雞蛋重。

想象一下，你需要帶著這樣的設備，持續拍攝數百條視頻，工作三個小時，顯然不可能，我們中的大多數人，最多半個小時工作后，就需要休息一下。

和我同組的很多寶媽在工作幾天后，就貼上了膏藥，有的因為手部太痛，直接決定放棄這份兼職。

除了體力，這份工作也需要腦力，我們需要每天提前想好工作任務，提交給組長審批，并不是想象中你帶著設備直接干日常家務活那么簡單。

原因之一是硬件設備會限制你的行動，夾爪的靈活度并不高，一些任務比如洗碗都是被禁止的。

另一個原因是，任務要求隨時在變，我們大多數人起初要求完成的都是分揀、疊放等簡單任務。

但僅僅三天后，項目要求突然變了，組長禁止做此類任務，給出的新任務難度更高了，需要貼貼紙、剝橘子，一些任務道具甚至需要你自己花錢購買。

我花錢購置了很多我根本不需要的東西，比如兒童畫筆、貼花紙、卡紙，僅僅是為了完成任務。

“本來想找個簡單的兼職，這比進廠打工還要難，還要倒貼錢”。我的一位「工友」在培訓時就這樣評價。

2、賺鋼镚的人

每一輪技術的快速發展里，幾乎都有「燃料」。

互聯網飛速發展時代，燃料是大批底層的審核員；大模型時代，新的燃料是底層的數據標注員。

具身智能時代，給機器人打工的則是機器人數采員，他們分布在各地蓬勃而起的數采廠里，即將進入的是數量更龐大的家庭。

一家北京的勞務外包公司中介向我形容：“北京深圳，遍地都是機器人數采，跟打工進廠沒區別”。

Boss直聘上機器人數采員的崗位薪資基本在4000-6000元，有的全職學歷要求在本科，大多數采取的是眾包兼職，簽訂的是靈活用工協議，對接的是層層轉包的第三方勞務中介。

一些勞務中介甚至也不知道自己服務的是誰，因為中間摻雜了大量第三方的數據服務商和運營商。

他們中很大一批人過去做自動駕駛和大模型的數據采集和標注服務，依靠過去沉淀下的數據運營、人力和渠道的資源和經驗，繼續賺具身智能的熱錢。

我身邊的工友來這里多是為了一份補貼家用的兼職，他們大致的畫像是學生、寶媽以及領失業金的人，他們也來自各行各業，保險、教培、制造業，有的甚至是夫妻結伴而來。

吳雨是前期培訓里我最早認識的人，一年多前她還在一家中型制造業國企擔任管理中層，她自稱自己是「第一批被AI淘汰的人」。

去年年初，她所在的企業推行大模型，為了降本增效，很快裁掉了她所在的職能部門。拿著賠償的吳語在家休息了一段時間，但很快為了兩個孩子，她意識到自己必須要出來工作。

38歲的她，海投了幾百封簡歷，只收到零星的回復，眼見存款越來越少，吳雨便出來尋找兼職機會，居家機器人采集是她的第一份兼職，她本來想靠這份居家長期兼職，利用碎片化時間補貼家用。

但很快，她是我們之中第一個放棄的人，原因是疲憊和管理的混亂。

像吳雨這樣的寶媽，她們的日常生活本就被繁忙的家務和瑣事覆蓋，但她做了不到一周后，雙手就因長時間操作夾爪而受傷，最終全家人輪流上場，只是為了湊時長。

更關鍵的是，最終和工資掛鉤的有效時長數據居家數采員看不到，只有發工資「對不上」時，組長才會告知，因此大多數數采員為了保證有效時長，只能多做一小時用來保證有效時長。“只能卷時長”。

吳雨口中的混亂我也有直接的體感，負責培訓我們的是一家數據服務商。兩天的培訓里，不但沒有系統化的培訓流程，甚至對于薪酬標準，也是「問一個人、一個樣」。

他們反復向我們傳達的是一個共識：“你時長越長，你掙錢越快。”“不要讓你們的不熟練，限制了你賺錢的速度”。“我們對數據需求量很大，你可以一直做”。

究竟要多少數據？一些具身智能公司的共識是「百萬小時級數據量」，為了這個野心，我所在的這家數據服務商計劃在不同城市招聘千人兼職隊伍。

但居家數采并不是兼職人群的最好選擇。

李麗是我們小組里常年靠零工賺錢的人，她做過晚托老師，給飯店洗盤子、活動充場，最多一天賺過500元，干了五天后，由于設備頻繁出錯、居家太過壓抑，她還了設備，決定還是去兼職群里找原來的活計。

“本來就掙個鋼镚錢，還怕碰壞了設備”。她告訴我，打零工的人最怕的不是累，是不確定性：

“任務隨時在變、給你發工資的人也在變，還不如去洗盤子來的實在”。

3、錢都被誰賺走了？

10天給機器人打工的日子，機械而重復，它像一個新型流水線困住了我。

我需要不斷重復一個任務、計算每個視頻的時長，甚至要為了第二天的工作，提前想好我要做哪些任務，我被數據推著走，而不是那份「給機器人做師傅」的信心。

居家看似自由，但卻成了我的牢籠，沒有采訪對象和你說話，也沒有同事和你討論日常，有的只是抓緊一切時間拍下一條條視頻和數據，點擊上傳，等待充滿不確定性的有效時長。

與有效時長掛鉤的工資并不能給你帶來激勵，因為錢都被上游賺走了。

一位具身數據服務商告訴我，當前真機數據售價大概在500到1000元/小時；無本體數據，也就是我采的UMI數據，在300到400元/小時，仿真合成數據200到500元/小時。

也就是說，我每小時賺的20元，產業鏈相關的數據公司可以將近17倍的利差賣出。

而對具身數據公司而言，一些優質場景的同一個數據集，還可以多次售賣，賣給不同的客戶。

就像覓蜂科技董事長兼CEO姚卯青所說的：“在具身智能尚未真正大規模商業化之前，數據作為基礎設施，會比終端應用更早形成商業回報”。

熱錢瘋狂涌入一批具身數據公司。光輪智能、無問智科、弈人科技，擅長生態打法的智元也分拆成立了覓蜂科技，我們了解到，有具身公司也開始拓展海外數采計劃。

多位數采商也告訴我們，目前的數據規模和場景依舊處于「供不應求」的階段。

但這些錢景和前景距離基層的數采員，都太遠了，他們最關心的是，設備能不能更輕一點、培訓能不能更完善一點、時長單價能不能提升一點。

一些年輕人更關注的是，這行的晉升路徑，它是否又只是一門「教會機器人學生、餓死人類老師傅」，未來會被邊緣化的職業？

“不是機器人解放人嗎？不是數據量大嗎？為什么給機器人做師傅掙不到錢？”我所在的小組很多人問我類似的問題。

我不到答案。我只知道，還掉設備后，我重新走入人群，那幢民宿里還在涌入新的人，每一個未來走入家庭的機器人，都不缺為他們打工的人。

那人呢？

參考資料：

IT桔子：揭秘具身數據產業鏈：一家數據公司的獨角獸之路